摘要

作者提出一種新的檢測頭，稱為“動(dòng)態(tài)頭”，旨在將尺度感知、空間感知和任務(wù)感知統(tǒng)一在一起。如果我們將骨干網(wǎng)絡(luò)的輸出（即檢測頭的輸入）視為一個(gè)三維張量，其維度為級別 × 空間 × 通道，這樣的統(tǒng)一檢測頭可以看作是一個(gè)注意力學(xué)習(xí)問題，直觀的解決方案是對該張量進(jìn)行全自注意力機(jī)制的構(gòu)建。然而，直接在所有維度上學(xué)習(xí)注意力函數(shù)過于困難，且計(jì)算成本過高。因此，作者提出通過分別在特征的每個(gè)特定維度上部署注意力機(jī)制，即在級別、空間和通道維度上來解決這一問題。

# 理論介紹

DynamicHead模塊是針對目標(biāo)檢測任務(wù)提出的一種新的頭部（head）結(jié)構(gòu)，它的設(shè)計(jì)目的是通過引入多種注意力機(jī)制，提升模型的檢測能力。核心思想是使得檢測頭部可以動(dòng)態(tài)地根據(jù)輸入特征進(jìn)行自適應(yīng)調(diào)整，從而提高模型在不同尺度、空間、任務(wù)等方面的表現(xiàn)。DynamicHead模塊的關(guān)鍵組成部分包括：

• Scale-Aware Attention Module（尺度感知注意力模塊）：該模塊根據(jù)特征的尺度進(jìn)行調(diào)整，使得不同尺度的特征能在合適的尺度下進(jìn)行融合和處理。它通過為不同尺度的特征賦予權(quán)重來優(yōu)化尺度差異的影響。
• Spatial-Aware Attention Module（空間感知注意力模塊）：該模塊針對空間位置進(jìn)行優(yōu)化。通過對特征圖中的重要區(qū)域進(jìn)行加權(quán)，使得網(wǎng)絡(luò)能更關(guān)注目標(biāo)物體的前景區(qū)域，避免特征圖的冗余部分對模型性能造成影響。
• Task-Aware Module（任務(wù)感知模塊）：這個(gè)模塊根據(jù)具體任務(wù)（如分類、定位等）調(diào)整頭部的輸出。它能根據(jù)任務(wù)需求優(yōu)化目標(biāo)的分類或回歸結(jié)果，提高模型的準(zhǔn)確度和魯棒性。

下圖摘自論文

理論詳解可以參考鏈接：論文地址
代碼可在這個(gè)鏈接找到：代碼地址

小目標(biāo)理論

在YOLOv11 中，輸入圖像的尺寸為 640x640x3，經(jīng)過 8 倍、16 倍和 32 倍下采樣后分別得到 80x80、40x40 以及 20x20 大小的特征圖，網(wǎng)絡(luò)最終在這三個(gè)不同尺度的特征圖上進(jìn)行目標(biāo)檢測。在這三個(gè)尺度的特征圖中，局部感受野最小的是 8 倍下采樣特征圖，即如果將該特征圖映射到原輸入圖像，則每個(gè)網(wǎng)格對應(yīng)原圖 8x8 的區(qū)域。對于分辨率較小的目標(biāo)而言，8 倍下采樣得到的特征圖感受野仍然偏大，容易丟失某些小目標(biāo)的位置和細(xì)節(jié)信息。為了改善目標(biāo)漏檢現(xiàn)狀，對 YOLOv8 的 Head 結(jié)構(gòu)進(jìn)行優(yōu)化，在原有的三尺度檢測頭的基礎(chǔ)之上，新增一個(gè)針對微小目標(biāo)檢測的檢測頭 ，YOLOv11 原有 P3、P4 和 P5 這 3 個(gè)輸出層&#x